Aprendizagem supervisionada com o scikit-learn

Neste capítulo, você será apresentado aos problemas de classificação e aprenderá a resolvê-los usando técnicas de aprendizado supervisionado. Você aprenderá a dividir os dados em conjuntos de treinamento e teste, ajustar um modelo, fazer previsões e avaliar a precisão. Você descobrirá a relação entre a complexidade e o desempenho do modelo, aplicando o que aprendeu a um conjunto de dados de rotatividade, no qual classificará o status de rotatividade dos clientes de uma empresa de telecomunicações.

Neste capítulo, você conhecerá a regressão e criará modelos para prever valores de vendas usando um conjunto de dados sobre gastos com publicidade. Você aprenderá sobre a mecânica da regressão linear e as métricas de desempenho comuns, como R-quadrado e raiz do erro quadrático médio. Você realizará a validação cruzada k-fold e aplicará a regularização aos modelos de regressão para reduzir o risco de ajuste excessivo.

Depois de treinar os modelos, agora você aprenderá a avaliá-los. Neste capítulo, você será apresentado a várias métricas e a uma técnica de visualização para analisar o desempenho do modelo de classificação usando o scikit-learn. Você também aprenderá a otimizar modelos de classificação e regressão por meio do uso do ajuste de hiperparâmetros.

Saiba como imputar valores ausentes, converter dados categóricos em valores numéricos, dimensionar dados, avaliar vários modelos de aprendizado supervisionado simultaneamente e criar pipelines para otimizar seu fluxo de trabalho!